پرش هیدرولیکی متحرک، حالت خاصی از جریان غیرماندگار است که باعث تغییر رژیم و وقوع ناپیوستگی
هیدرولیکی در جریان می شود . در روندیابی جریان غیرماندگار و یا برنامه های بهره برداری کانال های روباز،
آگاهی از رفتار چنین جریانی در باز ه ها ضروری است . این درحالی است که شبیه سازی عددی این پدیده به واسطه وجود ناپیوستگی هیدرولیکی و غیرماندگاری جریان، پیچیده است و داده های آزمایشگاهی در این مورد نیز محدود هستند . به این ترتیب جمع آوری داده های آزما یشگاهی و تجزیه وتحلیل آنها با استفاده از توانایی سیستم های هوشمند، می تواند در برآورد مشخصات موردنظر پرش هیدرولیکی متحرک کارآمد باشد . در این تحقیق داده های جریا ن های غیرما ندگار جمع آوری شده از یک فلوم آزمایشگاهی مستطیلی، با استفاده از شبکه مصنوعی و همچنین با کاربرد الگوریتم ژنتیک برای بهینه سازی پارامترهای شبکه عصبی، مورد تحلیل قرارگرفت .
در آزمایش ها، جریان غیرماندگار و شرایط مختلف پرش هیدرولیکی متحرک، با ایجاد هیدروگراف های متنوع دبی در بالادست، تولید شد . با اجرای الگوی پرسپترون شبکه عصبی و بهینه سازی پارام ترهای آن توسط الگوریتم ژنتیک، پارامترهای مختلف پرش برآورد شدند . نتایج نشان داد که شبکه عصبی و یا به عنوان یک گزینه برتر، تلفیق این شبکه با الگوریتم ژنتیک، می تواند به عنوان یک الگوریتم مکمل در مد ل های عددی و یا الگوریتم های بهره برداری، برای برآورد مشخصات پرش هیدرولیکی در جریان غیرماندگار به کار رود . به ویژه مشخصات مقطع زیربحرانی بعد از پرش، با دقت مناسبی قابل برآورد است . همچنین آزمون و توسیع این روش برای شرایط جامع آزمایشگاهی و صحرایی می تواند به عرضه ابزاری ساده و کارآمد در روندیابی این نوع جریان منجر شود.